El agente de voz de IA de Stretto utiliza Amazon Nova 2 Sonic
Stretto sustituyó la recepción de casos de quiebra mediante formularios web por Tara, una entrevistadora telefónica de IA, y reporta un aumento relativo del 20 % en la conversión de leads. El agente de voz de IA de Stretto utiliza Amazon Nova 2 Sonic para recopilar información financiera mediante conversación. Los abogados conservan las decisiones finales, estableciendo un límite entre la recepción automatizada y el criterio profesional.
El caso de estudio del 18 de noviembre de 2026 describe el trabajo con el AWS Generative AI Innovation Center y el socio tecnológico CI&T. Su comparación central es la recepción conversacional frente al formulario web, no un sistema de IA compitiendo con abogados. Stretto buscaba leads más completos sin pedir a los visitantes que completaran formularios cada vez más exigentes.
Eso convierte a Tara en una historia de flujo de trabajo empresarial tanto como de modelo de voz. Las mejoras reportadas dependen de recopilar información utilizable, conservar las correcciones y aplicar reglas explícitas después. Una voz convincente inicia el proceso; unos registros fiables y decisiones responsables determinan si el proceso merece una adopción más amplia.
El agente de voz de IA de Stretto cambia el contenido de un lead
El problema empresarial subyacente comienza con la diferencia entre la información de contacto y la información que un abogado puede evaluar. Un formulario breve puede establecer interés, pero deja sin terminar una parte sustancial del trabajo de recepción. Un formulario más largo solicita más detalles y, al mismo tiempo, impone más trabajo a alguien que ya enfrenta estrés financiero.
La alternativa de Stretto traslada ese cuestionamiento a una conversación telefónica. Tara recopila información sobre las circunstancias financieras de la persona que llama y luego envía el registro resultante a un proceso de calificación separado. El cambio afecta tanto a la interfaz como a la profundidad de la información disponible después.
La propuesta comercial consiste en un registro de recepción más útil, en lugar de una interfaz de voz añadida a un formulario sin cambios.
Según el caso de estudio sobre recepción de casos de quiebra, el sistema aplica reglas definidas por abogados después de la conversación. Los abogados toman la decisión final. Esta división importa porque una respuesta conversacional, un registro financiero estructurado y una evaluación profesional cumplen propósitos distintos.
Pensemos en una persona que llama y habla sobre vehículos, empleo y deudas pendientes. Esas respuestas necesitan relaciones: qué pago corresponde a qué vehículo o qué fuente de ingresos pertenece a qué registro de empleo. Una transcripción que contiene cada palabra pronunciada no proporciona automáticamente esa estructura.
La conversación también introduce ambigüedades que un formulario a veces evita mediante campos fijos. La persona que llama puede corregir una cantidad, negarse a responder una pregunta o describir circunstancias fuera de la secuencia prevista. El sistema debe conservar esas distinciones en lugar de tratar cada declaración hablada como una respuesta definitiva.
Por tanto, el agente de voz Tara afronta una versión exigente de la recopilación de información. Necesita suficiente flexibilidad para que las personas puedan explicarse y suficiente disciplina para producir registros que los procesos posteriores puedan utilizar. Una conversación agradable por sí sola dejaría sin resolver el problema empresarial original.
La mejora de conversión reportada hace que este cambio merezca análisis, pero no establece por qué aumentó la conversión. La entrega por voz, el orden de las preguntas, una información más rica y cambios en la calificación pueden afectar el resultado. El relato público no aísla sus contribuciones individuales.
También describe aproximadamente tres meses de experiencia en producción, en lugar de anunciar un nuevo lanzamiento de modelo el 18 de noviembre. La publicación y el despliegue son eventos distintos. Los lectores deben entender el informe como un relato operativo temprano de una aplicación existente.
Para los compradores empresariales, esa distinción mejora la utilidad de la historia. Un sistema de recepción desplegado aporta evidencia sobre un flujo de trabajo específico, incluso cuando sus resultados siguen siendo reportados por la empresa. Ofrece una afirmación más acotada y práctica que una declaración general de que las personas que llaman prefieren la IA a los formularios.
La presión inmediata recae sobre las organizaciones cuyos embudos de leads se detienen en la captura básica de contactos. Tara plantea una pregunta concreta para esos equipos: ¿cuánta información valiosa desaparece entre el interés inicial y una recepción completada?
Los formularios web afrontan ahora una comparación económica diferente
Los formularios web tienen una ventaja sencilla: las personas pueden introducir información sin mantener una conversación en vivo. Sus limitaciones se hacen más visibles cuando el registro requerido se vuelve complejo. Cada pregunta adicional pide al visitante que interprete, organice y aporte otra pieza de información.
La voz traslada parte de esa carga organizativa a la aplicación. La persona que llama puede explicar una situación, mientras el sistema gestiona la secuencia y las preguntas de seguimiento. Que esto resulte más sencillo depende de la conversación, las preferencias de la persona y la sensibilidad de la información solicitada.
La comparación relevante es el coste de obtener un registro utilizable, incluido el trabajo que ocurre después del contacto inicial.
Esa medida va más allá del gasto de ejecutar un formulario o procesar un minuto de audio. Incluye intentos abandonados, registros incompletos, trabajo de corrección y revisión profesional. Una interacción más barata aún puede producir un resultado costoso si alguien debe reconstruir la información después.
Stretto reporta una reducción del 95 % en el coste de voz por minuto frente a su solución de voz anterior. La comparación utiliza precios de abril de 2026 en la región US East. Es una comparación fechada entre implementaciones de voz, no evidencia de que toda la operación de Tara cueste un 95 % menos.
La distinción también evita una comparación engañosa con el formulario web. El resultado de costes se refiere a una solución de voz anterior; el resultado de conversión se refiere a la experiencia de recepción basada en formularios. Esas líneas de base responden preguntas distintas y deben mantenerse separadas.
Un comprador que evalúe este enfoque necesita ambas medidas. Un menor gasto de procesamiento de voz puede hacer asequibles conversaciones más largas, mientras una mejor conversión puede aumentar el valor de cada interacción completada. Ninguna cifra establece el retorno completo sin tener en cuenta la implementación, la supervisión y el procesamiento posterior.
El agente de voz de IA de Stretto también cambia el trabajo esperado del abogado receptor. Un registro más completo debería ofrecer más contexto antes de una conversación inicial. Sin embargo, quien lo recibe aún necesita confiar en que la información refleja lo que realmente dijo la persona que llamó.
Esto crea presión sobre los proveedores de recepción, así como sobre los equipos internos de producto. Una demostración atractiva muestra una conversación que avanza correctamente. Una oferta de producción creíble debe explicar qué ocurre cuando la información entra en conflicto, falla la extracción o el profesional receptor cuestiona un campo.
Aquí es donde el formulario web sigue siendo un punto de referencia serio. Su rigidez puede frustrar a los usuarios, pero esa misma rigidez hace que los campos individuales y las respuestas obligatorias sean fáciles de inspeccionar. La voz debe recuperar una claridad comparable a partir de un intercambio menos restringido.
Para los trabajadores del conocimiento, la conexión más amplia resulta familiar: la información capturada solo se vuelve valiosa cuando sigue siendo utilizable después. Una base de conocimiento con capacidad de búsqueda aborda un problema organizativo relacionado, aunque la recepción de información sensible introduce requisitos distintos de acceso y revisión.
La implicación es específica, no universal. Las organizaciones que gestionan entrevistas preliminares complejas ahora tienen otra interfaz que evaluar. Aún necesitan evidencia de que la recopilación conversacional mejora sus propias tasas de finalización y la calidad de los registros antes de cambiar todo el embudo.
Nova 2 Sonic gestiona el habla mientras otros sistemas construyen el registro
Amazon Nova 2 Sonic es un modelo de voz a voz, lo que significa que acepta entrada hablada y genera respuestas habladas dentro del mismo modelo. Esto difiere de conectar componentes separados de transcripción, generación de texto y generación de voz. La elección arquitectónica afecta a cómo la conversación pasa de escuchar a responder.
Stretto conecta a las personas que llaman mediante Twilio a un puente de voz, una aplicación que transmite audio entre la conexión telefónica y el modelo. El puente se ejecuta en Amazon ECS con AWS Fargate, servicios que gestionan y ejecutan contenedores de aplicaciones. Amazon Bedrock proporciona acceso gestionado a los modelos.
Los flujos de audio bidireccionales de Twilio permiten recibir el audio de la llamada y enviar audio generado de vuelta a la llamada. Un WebSocket, una conexión de red persistente y bidireccional, transporta ese intercambio. Esto establece la ruta de comunicación en vivo sin hacer que el servicio de telefonía sea responsable de todo el flujo de trabajo de recepción.
Un modelo de voz unificado simplifica la ruta de conversación, mientras que la aplicación circundante sigue siendo responsable del proceso empresarial.
Esa separación se vuelve más clara después de que la persona que llama cuelga. Claude 3 Haiku, el modelo de texto de Anthropic, extrae campos estructurados de la transcripción. Amazon Aurora, una base de datos relacional gestionada, almacena la información resultante en registros con relaciones definidas.
Por tanto, la arquitectura utiliza distintos modelos para distintos trabajos. Nova 2 Sonic respalda el intercambio en vivo; Claude gestiona la extracción posterior a la llamada. Las reglas definidas por abogados respaldan después la clasificación de leads, y los abogados conservan las decisiones finales.
Esta división ofrece a los evaluadores varios puntos distintos donde investigar errores. Una cantidad hablada mal entendida difiere de una cantidad correctamente transcrita y asignada al campo equivocado. Un campo correcto evaluado con una regla inadecuada crea un problema completamente distinto.
Tratar todos esos fallos como “la IA se equivocó” ocultaría detalles operativos útiles. Las etapas de voz, extracción, almacenamiento y calificación necesitan un escrutinio independiente. Las mejoras en una etapa no garantizan mejoras en todo el flujo de trabajo.
Las conversaciones largas introducen otro límite. La recepción completa puede tardar entre 15 y 20 minutos, mientras AWS documenta un límite de conexión de ocho minutos para un flujo individual. Su documentación de sesiones de voz describe compatibilidad con renovación y continuación.
Stretto utiliza la continuación de sesión, una técnica que transfiere el contexto de la conversación a una conexión de modelo de reemplazo. Por tanto, la entrevista de la persona que llama puede extenderse más allá de la vida útil de un flujo individual. Mantener el contexto a través de ese límite pasa a ser responsabilidad de la aplicación.
Esto importa porque recordar una corrección anterior es un requisito funcional, no solo una comodidad conversacional. Perder el contexto durante una entrevista larga puede crear preguntas repetidas o registros incoherentes. Un sistema que suena fluido antes de un cambio de conexión aún necesita pruebas después.
OpenAI ofrece una comparación relevante mediante sus arquitecturas de agentes de voz, incluidas modelos de voz integrados y enfoques de procesamiento encadenado. Estas opciones muestran que los equipos empresariales afrontan decisiones arquitectónicas que van más allá de elegir una voz. El relato de Stretto no establece una clasificación de rendimiento frente a OpenAI.
La cuestión competitiva útil se refiere al control y al ajuste de la carga de trabajo. Los equipos deben decidir dónde necesitan capacidad de respuesta en vivo, información intermedia inspeccionable y lógica empresarial separada. Tara ilustra una asignación de esas responsabilidades dentro de una aplicación basada en AWS.
La arquitectura de admisión de Nova 2 Sonic también revela un límite importante de las decisiones de compra centradas en el modelo. Elegir el modelo de voz deja un trabajo de diseño considerable en torno a la continuidad, la creación de registros y los límites de decisión. Esos componentes determinan si una conversación telefónica se convierte en un registro operativo fiable.
Las conversaciones sensibles convierten la gestión de interrupciones en un requisito de calidad
Una entrevista de admisión para un proceso de quiebra pide a las personas que hablen de sus dificultades financieras. El sistema debe recopilar información permitiendo a la vez dudas, correcciones y negativas. Ese contexto cambia el significado de la calidad de voz: sonar natural solo es útil si la aplicación también gestiona la incertidumbre de forma adecuada.
El relato de Stretto describe validaciones para conversaciones sensibles, incluidas las interrupciones y los llamantes que modifican sus respuestas. La intervención durante la locución, es decir, la capacidad de interrumpir al agente mientras habla, es especialmente relevante. Un llamante necesita una forma práctica de detener una suposición incorrecta antes de que la entrevista avance.
La prueba más sólida es si el sistema conserva el significado de lo que dice el llamante cuando la conversación deja de seguir el camino previsto.
Eso exige más que reconocer una interrupción. La aplicación debe distinguir una corrección de un dato adicional, y una negativa de una respuesta ausente. De lo contrario, una conversación aparentemente exitosa puede generar un registro inexacto.
La gestión del consentimiento y las divulgaciones crea otro límite. Según el caso de estudio, Tara presenta las divulgaciones y recopila el consentimiento antes de que avance la admisión. Estos pasos forman parte del flujo de trabajo, en lugar de funcionar como un lenguaje introductorio opcional.
Una interrupción durante una divulgación ilustra la dificultad. Retomar la conversación es solo una parte de la tarea. El sistema también necesita una base fiable para determinar si se completó la secuencia exigida de divulgación y consentimiento.
El relato público describe pruebas y controles, pero no establece un cumplimiento legal universal. Una arquitectura publicada no puede responder todas las preguntas sobre implementación, jurisdicción, tratamiento de datos u obligaciones profesionales. Los compradores deben evaluar sus propias circunstancias en lugar de tratar la historia de un cliente como una certificación.
La tarjeta de servicio del modelo de AWS también recomienda una evaluación específica para cada caso de uso. AWS asigna a los clientes la responsabilidad por la infraestructura de aplicación y la lógica de negocio circundantes. Esta orientación respalda una lectura cautelosa de los resultados de Tara.
La adaptación emocional merece una prudencia similar. Un modelo puede variar su forma de expresarse en respuesta al habla sin poseer una comprensión fiable de la condición psicológica de quien llama. Un tono tranquilizador no debería convertirse en evidencia de que el sistema entendió cada hecho o gestionó adecuadamente a cada llamante vulnerable.
El agente de voz Tara también necesita límites sobre el uso que hace de la información recopilada. El diseño comunicado reserva las decisiones finales para los abogados y aplica por separado reglas explícitas de cualificación. Esos controles reducen el alcance de la discreción del modelo, sin eliminar la necesidad de examinar la información que entra en dichas reglas.
Una entrada errónea puede seguir influyendo en un proceso de clasificación por lo demás coherente. La autoridad humana al final importa, pero su eficacia depende de lo que los revisores pueden ver y corregir. La presencia de un abogado no debería convertirse en un sustituto de medir los errores aguas arriba.
Para los equipos que desarrollan sistemas similares, estas son preguntas operativas, no objeciones abstractas a la automatización. ¿Pueden los llamantes corregir un registro? ¿Pueden los revisores identificar respuestas inciertas? ¿Puede la organización explicar por qué un contacto recibió una clasificación determinada?
El agente de voz de IA de Stretto resulta más informativo cuando se examina a través de esos límites. Su importancia proviene de asignar responsabilidades distintas a la conversación, la extracción, las reglas y el juicio profesional. Un despliegue más amplio pondrá a prueba si esos límites siguen siendo fiables en condiciones reales más variadas.
Las ganancias comunicadas dejan abiertas importantes preguntas de medición
El resultado principal de Stretto es un aumento relativo del 20% en la conversión de contactos frente a su formulario web. “Relativo” importa: la cifra describe un aumento respecto a la tasa anterior, no una ganancia de 20 puntos porcentuales. El caso de estudio no aporta suficientes detalles para calcular el cambio absoluto.
La empresa también informa de aproximadamente un 96% de precisión en la extracción de campos estructurados durante sus pruebas. Las llamadas completadas duran, de media, unos ocho minutos. Estas cifras describen aspectos diferentes del sistema y no deben combinarse en una única afirmación de precisión global.
Los resultados respaldan una evaluación adicional, pero no establecen una referencia controlada para la admisión por voz.
La precisión de extracción mide la conversión del contenido de una conversación en campos. No mide automáticamente la veracidad de las declaraciones de un llamante, la pertinencia de las reglas de cualificación ni la calidad de la evaluación final de un abogado. Esos resultados requieren pruebas diferentes.
También importa la distribución de los errores de extracción. Un detalle secundario incorrecto y un campo incorrecto con consecuencias financieras pueden tener efectos posteriores distintos. Una cifra de precisión agregada no muestra si los errores se concentran en la información que los revisores consideran más importante.
El relato publicado no ofrece un desglose detallado de errores campo por campo. También deja abiertas cuestiones sobre el tamaño de la muestra, la composición de las pruebas y el rendimiento entre grupos de llamantes. Estas omisiones limitan la comparación con otro sistema de admisión, aunque la media comunicada siga siendo útil internamente.
La duración de las llamadas requiere una interpretación igualmente cuidadosa. La cifra de ocho minutos se refiere a llamadas completadas, mientras que la admisión completa puede durar entre 15 y 20 minutos. No son necesariamente afirmaciones contradictorias, porque la duración media de las conversaciones completadas y la duración posible de una entrevista completa describen cosas distintas.
Sin embargo, la duración de las llamadas completadas excluye los intentos fallidos de esa medida concreta. Los evaluadores también deben entender el abandono y la finalización parcial. Una media breve es alentadora solo cuando va acompañada de información suficiente y resultados de finalización aceptables.
La conversión presenta un problema de atribución relacionado. El equipo describe un flujo de trabajo en evolución, no un experimento que cambiara únicamente el modelo de voz. Sin una comparación controlada, los lectores no pueden atribuir por completo a Nova 2 Sonic la mejora comunicada.
La misma cautela se aplica a la reducción del 95% en el coste de voz por minuto. Se refiere a una solución de voz anterior y a una instantánea de precios concreta. No establece ahorros equivalentes en telefonía, almacenamiento de datos, ingeniería, revisión ni en el coste completo de entregar un contacto cualificado.
El relato también procede de participantes en el despliegue, incluidos colaboradores de Stretto y CI&T. Su acceso hace valiosa la descripción arquitectónica. Su participación implica que los resultados comerciales deben seguir atribuyéndose, en lugar de presentarse como hallazgos auditados de forma independiente.
Ninguna de estas limitaciones vuelve la historia poco informativa. La evidencia temprana en producción puede justificar un piloto más amplio y una medición más detallada. Simplemente respalda una conclusión más limitada que una afirmación general de que la admisión automatizada por voz supera a los formularios en todas partes.
Para los compradores empresariales, la siguiente pregunta más útil es si otro equipo puede reproducir las ganancias usando definiciones comparables. La conversión, la precisión, la finalización y el coste necesitan límites de medición explícitos. Sin ellos, porcentajes de apariencia similar pueden describir resultados operativos muy diferentes.
Observe la expansión, los errores consecuentes y la economía completa del contacto
La siguiente evidencia significativa debería referirse a la amplitud del despliegue, la calidad de la información y la economía operativa total, en ese orden. Esas señales pondrían a prueba si los resultados iniciales de Tara se mantienen más allá de las condiciones descritas en el caso de estudio. También ayudarían a los compradores a separar la capacidad del modelo del diseño del flujo de trabajo.
En primer lugar, observe los resultados de un despliegue más amplio en distritos adicionales. La mejora de conversión comunicada llega antes de una expansión generalizada. Resultados comparables en un despliegue más amplio reforzarían el argumento de que la admisión conversacional ofrece un valor repetible.
La expansión por sí sola demostraría alcance, no calidad. La señal más sólida combinaría una disponibilidad más amplia con definiciones coherentes de conversión e informes de finalización. Si los resultados empeoran, el resultado original seguiría siendo relevante, pero quedaría más claramente limitado a su contexto inicial.
En segundo lugar, observe informes más detallados sobre errores en información de importancia decisiva. Los resultados de extracción a nivel de campo ayudarían a identificar dónde el sistema necesita corrección o revisión. La información sobre revisiones de abogados añadiría otra perspectiva sobre la utilidad práctica del registro generado.
Un resultado sólido mostraría que los campos importantes siguen siendo fiables a medida que las conversaciones se vuelven más variadas. Un resultado más débil mostraría un agregado favorable que oculta errores recurrentes en información crítica. Cualquiera de los dos hallazgos sería más informativo que otro porcentaje de precisión indiferenciado.
En tercer lugar, observe la economía completa de un contacto utilizable. Los ahorros de voz por minuto solo establecen una parte de ese panorama. Los compradores también deben entender el esfuerzo necesario para procesar, revisar, corregir y dirigir la información resultante.
La evidencia más sólida conectaría el gasto operativo con registros que los abogados realmente puedan utilizar. Los ahorros que sobrevivan al trabajo de corrección y supervisión respaldarían el caso de negocio. Los ahorros compensados por un trabajo posterior considerable lo limitarían.
El valor a largo plazo de Tara depende de si mejores conversaciones producen registros fiables a un coste operativo sostenible.
Estos son puntos de observación, no anuncios programados ni divulgaciones prometidas. El relato público no compromete a Stretto a publicar cada medida. Su ausencia dejaría las afirmaciones iniciales menos evaluables de forma independiente, sin demostrar que el despliegue haya fracasado.
La historia de admisión con Nova 2 Sonic ya ofrece una lección arquitectónica útil. La automatización de voz funciona dentro de un sistema más amplio de registros, reglas y responsabilidad humana. El modelo gestiona una interacción importante, mientras que la organización sigue siendo responsable del flujo de trabajo que la rodea.
Esa es también la razón por la que la comparación con el formulario web seguirá siendo relevante. Los formularios ofrecen una base clara para la recopilación de información, incluso cuando los usuarios los consideran pesados. La voz se gana su lugar cuando mejora el proceso completo, en lugar de limitarse a hacer más atractiva la interacción inicial.
Para los equipos que consideran un enfoque como el del agente de voz de IA de Stretto, comiencen por la evidencia detrás de la mejora declarada. Pregunten cómo se definió la conversión, qué campos requirieron corrección y qué ocurrió con las llamadas incompletas. Examinen si el profesional receptor obtuvo un registro más útil, en lugar de asumir que la fluidez conversacional lo proporcionó. Después, comparen el flujo de trabajo completo con el proceso de admisión existente, incluido el esfuerzo de revisión y corrección. La experiencia de Stretto ofrece una razón concreta para investigar la admisión por voz, especialmente cuando los formularios no logran captar el detalle necesario. Lean la arquitectura junto con las lagunas de medición y utilicen ambas para definir lo que debe establecer su propia evaluación antes de un despliegue más amplio.



